焊接缺陷超声检测回波信号的双谱分析

针对焊接缺陷超声检测中信号处理的特征提取问题，应用高阶谱方法对三类压力容器焊接缺陷的超声回波信号进行了分析，在焊接缺陷超声检测中，回波信号的相位携带有被检对象重要的结构特征信息。高阶谱方法与常规的功率谱分析方法不同，它不仅有振幅而且包含有相位，能揭示常规功率谱分析所不能表现的重要信息。本文应用高阶累积量技术对缺陷回波信号进行双谱分析，提取出缺陷回波基于双谱的平均相位信息作为特征参量，取得了较好的识别结果。     

基于张量奇异值分解的人脸识别方法

在人脸识别领域应用张量奇异值分解( TSVD)来进行人脸特征的表示和提取,克服了过去的提取方法,如主成分分析法( PCA)等过于依赖拍摄条件的缺点。 TSVD将数据转换成三维线性模型,所以能避免二维线性方法中条件改变则精确度下降的问题,使得识别算法在变化的条件下获得了相对稳定的结果。在此基础上对算法进行了优化,利用矩阵分解,在不影响算法正确率的情况下,有效减少计算量,提高算法效率。基于Matlab对该算法进行了四组实验,并将结果与用PCA方法得到的结果对比,验证了该识别算法在变化条件下显著的正确性以及稳定性;同时,对优化的TSVD算法进行了实验验证,在数据量较大的情况下,该算法速度明显提高。     

基于高阶累积量的数字调制信号识别方法

通信信号调制方式自动识别在信号检测、威胁分析、频谱监测等领域有着重要的地位,是非合作通信关注的关键技术.针对单一累积量调制信号识别有限且识别率低等问题,利用信号的二、四、六阶累积量特征所构造的矢量集,实现了MASK、MPSK、MFSK、MQAM四类信号的类间识别,以及2ASK、4ASK、8ASK,2PSK、4PSK、8PSK,2FSK、4FSK、8FSK,4QAM、16QAM、64QAM的类内识别.在Matlab环境下进行了仿真实验,实验结果表明,该方法在信噪比大于5 dB时可以达到90％以上的识别率.     

基于MUSIC算法的OFDM信号识别方法

针对多径信道下传统的OFDM信号识别方法存在循环前缀较短时估计性能不高、所需OFDM符号数过多等问题,提出一种基于MUSIC算法的OFDM信号识别方法。该方法首先分析了OFDM信号和单载波信号的结构特点,然后对两类信号的自相关矩阵进行奇异值分解,提取奇异值矩阵,最后根据奇异值矩阵中较大非零奇异值的个数实现OFDM信号的识别。仿真实验表明,该方法仅需较少的OFDM符号就可以实现短循环前缀OFDM信号的识别,且识别性能优于传统方法。     

新型节能配电变压器的经济性分析及选型建议

介绍新型节能配电变压器的节能效果,并提出选型建议。     

基于高阶累积量的欺骗式干扰识别方法

为了识别出具体的欺骗干扰方式,从而使雷达可以正确跟踪目标,并有针对性的选择抗干扰方法,本文提出了基于高阶累积量和模式识别技术的欺骗式干扰识别方法.该方法首先给出了欺骗式干扰的3阶和4阶累积量对角切片,在分析其统计特性的基础上,定义欺骗式干扰的高阶累积量特征因子,然后设计基于核聚类的支持向量机分类器,对特征因子进行分类,买现不同欺骗干扰的识别.仿真结果表明,所提出的方法对三种不同欺骗干扰方式的正确识别率高,而且基本不受干噪比影响.     

基于负熵的人员脚步震动信号检测识别算法

提出一种基于震动信号的人员脚步检测识别算法,该算法根据信息论中的负熵概念,采用高阶累积量的负熵近似计算方法.仿真与实测结果证明,与一般的模式识别算法相比,该算法具有三个重要的优点,包括环境适应性强、识别准确率高和运算量小.这些优点使得该算法更适用于能量受限、随机自组的无线传感器网络,能够在野外环境下准确、简单的检测识别人员脚步震动信号.     

基于DWT-SVD的奇异向量量化水印算法

提出了一种新颖的可用于版权保护的小波奇异值分解的量化水印算法。与传统的水印比特信息直接嵌入小波系数不同,水印信息被量化嵌入原始图像小波低频子带分块奇异值分解得到的奇异向量中。水印提取无需原始图像,可在密钥和量化阂值控制下实现盲提取。实验表明,含水印图像质量好且能较好地抵抗常规的图像处理,对JPEG压缩具有优异的鲁棒性。     

基于高阶累积量的MSK信号脉冲始末点检测

在对MSK信号高阶累积量特性分析研究的基础上,提出了一种利用滑动求取信号四阶累积量实现MSK信号脉冲始末点估计的算法.计算机仿真结果表明当信噪比大于7 dB时,该算法能够获得较好的估计性能.     

基于高阶方法的网络流量异常检测

对大规模网络流量的异常检测是很重要的。主成分分析（PCA）方法基于对原有数据进行简化,在异常检测中得到了广泛应用。对高维数据应用高阶奇异值分解（HOSVD）和高阶正交迭代分解（HOOI）方法,仿真结果表明使用高阶方法进行异常检测提高了检测性能。     

基于支持向量机的心音信号自动识别

心音信号识别对心血管疾病的诊断具有重要意义,为了提高心音信号的识别性能,提出一种基于支持向量机的心音信号自动识别方法。首先采用小波分析对心音信号进行降噪预处理,然后提取心音信号的Mel频率倒谱系数作为心音信号特征,最后采用支持向量机建立心音信号分类器,对采集心音信号数据的识别性能进行验证。实验结果表明,本文方法的心音信号平均识别率高达93%以上,可以准确识别正常和各种异常的心音信号。      

基于改进学习的BP网络声音特征信号识别

建立了一个三层前向神经网络对四种声音信号进行识别分类,网络采用改进学习的BP算法训练,即在最速下降法训练的基础上,引入了MOBP动量因子和学习率调整.仿真验证结果表明,所设计的BP网络识别分类误差小,识别正确率高.     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.     

一种基于ST-RFT算法的数字调制信号识别方法

将短时拉曼努金傅里叶变换(ST-RFT)应用于数字调制信号识别的研究中,以寻求提高低SNR条件下数字调制信号识别率的新方法。通过归一化ST-RFT谱图计算、特征参量提取以及阈值判别来实现调制信号的识别。针对5种常见的数字调制信号进行仿真分析,结果表明,在SNR=0 dB的信噪比条件下,基于ST-RFT算法的数字调制信号识别方法的平均识别率可以达到90%,比基于谱图时频分析法的识别率提高了10.4%;特别是相比于基于瞬时幅度和瞬时频率的特征方法,4FSK调制信号的识别率可提高9%。基于ST-RFT算法的数字调制信号识别方法能够 在低SNR条件下有效识别数字调制信号,具有良好的工作性能。     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

基于图像识别的分光器端口分析方法

为了解决中国移动资源数据库中哑设备资源难以精确把控的问题,以分光器为切入点、图像识别角度作为突破口,提出了模拟时间延迟积分（Time delay integration,TDI）成像解析分光器端口的算法。首先对运维人员上传的图像进行筛选,保证图像数据的质量;然后利用HSV颜色空间进行端口位置和轮廓的提取;再使用图像轮廓进行杂点过滤和分光器端口分布方向拟合;最后,使用拟TDI成像算法解析端口占用情况,输出分光器端口占用情况,给出分光器的分光比、占用端口号,以提升资源数据平台对分光器资源的数据质量。结果表明该算法运行速度快,端口分析准确,具有较高的应用前景。     

基于小波的心音信号分析及其特征提取

心音信号是人体最重要的生理信号之一,它包含了人体心脏和血管中丰富的原始信息.心脏杂音和心音改变的出现,往往是心脏病的最早特征.由于心音信号是一种典型的非平稳信号,所以传统的频域分析已经不能满足研究的需要.文章将时域、时频和功率谱能量等特性分析相结合,研究心音信号的分析方法,提取各种特征以区分不同的心音.理论分析和仿真实...     

基于时频分布的跳频信号分析研究

利用时频分布中的三种不同的方法--短时傅立叶变换、小波变换和Wigner-Ville分布进行跳频信号分析,通过理论研究和仿真分析表明,三种方法均可以较好的展示跳频信号的时频特征,同时分析出各自的优缺点,进而证明了每种方法应用于跳频信号分析研究工程应用的可行性.     

基于深度学习的声信号分类识别方法

提出了一种基于深度学习的声信号分类识别方法,将声场环境中声源目标的识别等效为声场信号—特定声源的端到端学习过程,建立一种以log-mel能量为声信号特征的预提取方法,以深度残差网络作为特征自动提取及分类的声信号分类识别模型.在两个大型数据集上对模型性能进行了验证,实验结果表明,本文提出的深度残差网络模型在DCASE20...